利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

利用高光谱透射图像检测鸡种蛋早期孵化

为了检测鸡种蛋孵化前期胚胎发育情况,构建了高光谱图像采集系统,在400～1000nm范围内获取90枚种蛋孵化前3天的高光谱透射图像。通过独立分量方法对高光谱数据进行分析降维,优选出571、614、661、691和716nm共5个特征波长,提取每个波长下的光谱平均值和标准偏差,获得每个样品10个特征变量。为了消除变量之间相关性,利用主成分分析提取了4个主成分变量,在此基础上构建了学习向量量化(LVQ)神经网络判别模型。验证性试验均表明该模型具有较高的稳定度(变异系数为1.7),对第1,2,3天的测试样本判别准确率分别为78.8%,90.3%和98.6%。结果表明高光谱图像技术可以检测种蛋孵化前期胚胎发育情况。     

品种与成熟度对杏果实品质的影响试验初报

以新疆优良杏品种库车小白杏和树上干杏为试验材料,研究不同采收成熟度对杏果实品质的影响,为选择最佳采收成熟度提供理论基础。通过对小白杏和树上干杏的3个成熟度果实品质研究,对果实硬度、可溶性固形物(SSC)、可滴定酸(TA)、总糖、果胶、还原糖、总酚、纤维、维生素C等指标进行检测,并进行方差分析,得出2个杏品种3个成熟度总糖、维生素C、总酚、硬度、SSC、纤维存在显著差异。     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。     

基于电子鼻的果园荔枝成熟阶段监测

为了无损快速监测荔枝成熟阶段,该文提出了一种基于电子鼻技术的果园荔枝成熟阶段监测方法,采用PEN3电子鼻获取挂果约25 d到果实成熟过程中6个成熟阶段荔枝样本的仿生嗅觉信息并同步获取了各成熟阶段荔枝的3项物理特征(果实直径、果实质量与果实可溶性固形物含量)。根据不同成熟阶段荔枝物理特征变化可知,荔枝果实直径与果实质量2项物理指标在挂果约32 d~39 d,以及53 d~60 d增长较快,可溶性固形物含量在挂果约32 d前无法测量,53 d~60 d阶段增长速度较慢。提取各样本电子鼻采样数据75 s时刻的各传感器响应值作为特征值后,采用载荷分析(loadings)进行传感器阵列优化,优选了传感器R2、R4、R6、R7、R8、R9和R10的响应数据进行后续分析。将优化后的传感器响应数据进行归一化处理。采用线性判别分析(linear discriminant analysis,LDA)进一步提取特征信息,降低数据中包含的冗余信息。LDA对荔枝成熟阶段的分类识别效果不佳。为进一步探究电子鼻监测果园荔枝成熟阶段的可行性,采用模糊C均值聚类分析(fuzzy C means clustering,FCM)、k最近邻函数分析(k nearest neighbor,KNN)和概率神经网络(probabilistic neural network,PNN)进行模式识别。研究结果表明,FCM对果园荔枝成熟阶段识别的正确率为89.17%。采用KNN与PNN建立识别模型后,KNN与PNN识别模型对训练集的回判正确率均为100%,对测试集的识别率均为96.67%,具有较好的分类识别效果。试验证明了采用电子鼻进行果园荔枝成熟度监测的可行性,为果园水果品质的实时监测提供参考。     

基于多光谱成像技术的大麦赤霉病识别

该文提出了一种根据大麦多光谱图像实时识别大麦赤霉病害的方法。首先利用阈值分割以及形态学的处理算法去除大麦穗图像背景和麦芒干扰信息;其次从预处理后的多光谱图像中提取图像的颜色统计特征;最后将这些颜色统计特征数据经过预处理后应用偏最小二乘法（principal component analysis, PLS）进行模式特征分析,经过交互验证法判别选取最佳的主成分数,输入到最小二乘-支持向量机模型(least square-support vector machine, LS-SVM),建立病害识别模型。经过比较发现多元散射校正处理后,最佳主成分为1的最小二乘支持向量机模型对病害的识别准确率最高,达到93.9%。表明利用多光谱成像信息可对大麦赤霉病进行准确识别,为植物病害监测与防治提供了一条新方法。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

基于高光谱图像纹理特征的牛肉嫩度分布评价

传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。     

黄桃表面缺陷和可溶性固形物光谱同时在线检测

表面缺陷和可溶性固形物是评价黄桃品质的重要指标,采用可见/近红外漫透射光谱技术,探讨黄桃表面缺陷与可溶性固形物同时在线检测的可行性。在运动速度为5个/s、积分时间100 ms、光照强度1 000 W的条件下采集黄桃表面缺陷果与正常果的近红外漫透射光谱。对比分析了同一个黄桃样品损伤前后的光谱特征,建立了黄桃的最小二乘支持向相机判别模型与偏最小二乘判别模型。同时建立了黄桃可溶性固形物偏最小二乘回归模型并采用连续投影算法对模型进行优化,研究了表面缺陷果对黄桃可溶性固形物检测模型精度的影响,最终实现了黄桃表面缺陷与可溶性固形物同时在线检测。采用未参与建模的样品来评价模型的在线分选的准确性,其中表面缺陷果的正确判断率为100%,可溶性固形物分选准确率达到93%。试验结果表明:黄桃表面缺陷与可溶性固形物同时在线检测是可行的,研究可为黄桃在线分选提供技术参考和理论依据。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别

应用高光谱成像技术(380~1023 nm),基于信息融合实现鱼不同冻藏时间后冻融次数鉴别。首先,提取鱼样品感兴趣区域(region of interest,ROI)光谱并结合竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)得到57个变量作为光谱信息,同时对鱼样品做主成分分析(principal component analysis,PCA),提取第一主成分图像信息如中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关12个灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理特征参量,结合灰度共生矩阵纹理特征与光谱特征,作为模型偏小最二乘支持向量机(least squares support vector machines,LS-SVM)的输入建立区分模型,预测集识别率达到98%。结果表明,高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数的鉴别。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle，UAV）航拍 "红-绿-蓝"（Red-Green-Blue，RGB）彩色影像提取作物种植信息的方法，该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity，HSI）色彩特征和纹理特征等3种特征，通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）和随机森林（Random Forest，RF）共5种监督分类算法及不同特征组合的分类效果，以实现玉米种植信息的高精度提取。结果表明，使用单一种类特征或使用全部3种特征均不能获得最优的分类精度；将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%；在所有特征组合中，HSI色彩特征和纹理特征组合为最优选择，基于该特征空间的RF算法获得了最高的分类精度，总精度为86.2%，Kappa系数为0.793；基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外），但所保留的特征因子可给出符合实际背景和意义的解释，并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于高光谱漫透射成像整体检测番茄可溶性固形物含量

为了实现番茄可溶性固形物含量（soluble solids content,SSC）的有效检测,提出高光谱漫透射成像检测方法,对比该成像方式下不同姿态（果脐端面姿态BS、赤道圆周3姿态C1、C2、C3以及组合姿态C1C2C3）的检测效果。首先对采集的不同姿态光谱图像,通过剪裁消除图像边缘噪声。针对圆周赤道面姿态C1、C2和C3,进行了拼接处理,获得组合姿态图像 C1C2C3。其后对以上5种姿态图像进行单波段背景分割,获取目标区域,并统计不同姿态下番茄漫透射平均光谱。最后利用漫透射光谱结合偏最小二乘回归（partial least squares,PLS）方法,对番茄SSC分别在450～720、720～990、450～990 nm 3个波段进行定量分析。结果表明,组合姿态C1C2C3在3个波段区域上整体检测效果优于单个姿态的检测效果,其模型验证集均方根误差（root mean squared error of prediction,RMSEP）分别为0.299%、0.133%、0.151%;相关系数rp分别为0.42,0.89,0.90。说明利用高光谱漫透射成像,获取组合姿态光谱图像,可以有效检测番茄SSC。     

基于图像熵信息的玉米种子纯度高光谱图像识别

种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。     

高光谱图像技术诊断温室黄瓜病害的方法

利用高光谱图像技术研究了诊断温室黄瓜病害的方法,以提高诊断的准确性和效率。试验以黄瓜霜霉病、白粉病为研究对象,利用高光谱图像采集系统获取黄瓜病叶的高光谱图像数据,在450～900 nm范围内的高光谱图像数据中,选出特征波长下的图像;然后,对该图像进行去除噪声的滤波处理,并提取黄瓜病叶的色度矩纹理特征向量;最后采用支持向量机分类方法对黄瓜病害进行诊断。研究结果表明,采用高光谱图像新技术与线性核函数对黄瓜霜霉病、白粉病的正确诊断率达100%,采用高光谱图像技术可以实现对温室黄瓜病害进行快速、精确的分类诊断。     

特征优化结合随机森林算法的干旱区植被高光谱遥感分类方法

针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。     

基于高光谱图像光谱与纹理信息的生菜氮素含量检测

高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390~1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。     

茄子灰霉病叶片过氧化氢酶活性与高光谱图像特征关联方法

对灰霉病胁迫下茄子叶片过氧化氢酶(CAT)活性的高光谱图像特征进行了研究。采用380～1030nm范围的高光谱图像摄像仪获取健康、轻度、中度、严重染病茄子叶片的高光谱图像信息,基于ENVI软件处理平台提取高光谱图像中对象的漫反射光谱响应特性,并采用平滑、中值滤波、归一化法等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)和BP神经网络算法来建立叶片高光谱响应特征与CAT活性之间的关系模型。在PLSR模型中,前2个隐含变量能够实现健康、轻度、中度、严重染病茄子叶片的直观定性区分,而基于PLSR模型推荐的9个隐含变量建立的BP神经网络模型的预测集决定系数R2为0.8930,均方根误差为2.17×103。表明基于高光谱图像特性可以实现灰霉病胁迫下茄子病害程度的有效区分,同时证明基于高光谱图像特性的茄子叶片CAT活性的定量检测是可行的。